偏振控制可以有效恢复光纤传输过程中因相位偏移而受损的偏振态,是量子通信、光纤传感以及相干光通信等领域中的关键技术。提出了一种基于适应性矩估计(Adam)的偏振控制算法,建立了相应的偏振控制系统模型。基于该模型对Adam偏振控制算法进行了数值仿真,并与经典的随机梯度下降(SGD)算法进行了对比,同时分析了控制精度和噪声幅度对偏振控制效果的影响。仿真结果表明,该算法可以快速收敛到目标偏振态,在衰减率为0.03、噪声幅度为0.003、偏振迭代步数为53时,控制精度可达10 ^-4。与SGD算法相比,平均迭代步数减少了23%,最高控制精度提升了1~2个数量级。基于现场可编程门阵列验证了Adam算法的可行性,结果表明,该算法能快速、稳定地补偿信道中的偏振变化,并通过优化衰减率提高偏振控制效果、缩短偏振控制时间。

提出一种基于深度神经网络的摄像机标定方法,实现了复杂环境下平面区域内的灵活、高精度标定。无需进行数据特征提取或分类,仅通过优化网络结构、超参数与训练算法,深度神经网络便能得到快速有效的训练。实验结果表明,相较于张正友标定法与浅层神经网络标定法,该方法在大范围、多拍摄角度和高畸变条件下均能达到更高的标定精度,镜头存在高畸变时,633 mm×763 mm标定范围内的平均标定误差仅为0.1471 mm。